声明
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 基于卷积神经网络的物体属性获取
1.2.2 基于递归神经网络的物体属性获取
1.3 本文组织结构
第2章 鱼眼图像校正
2.1 引言
2.2 鱼眼镜头的结构
2.3 鱼眼图像成像过程
2.4 鱼眼图像校正
2.4.1 基于经度的鱼眼图像校正算法
2.4.2 基于经纬度的鱼眼图像校正算法
2.5 鱼眼图像二次校正
2.5.1 球心投影
2.5.2 基于多项式的校正算法
2.5.3 基于除式的校正算法
2.6 模拟图像实验
2.7 真实图像实验
2.8 本章小结
第3章 卷积神经网络
3.1 引言
3.2 LeNet5网络
3.2.1 卷积层
3.2.2 池化层
3.3 AlexNet网络
3.3.1 Relu激活函数
3.3.2 局部响应归一化
3.3.3 Dropout正则化
3.4 VGG网络
3.5 GoogLeNet
3.6 残差网络
3.7 深度置信网络
3.8 本章小结
第4章 建筑物层数估计
4.1 引言
4.2 数据集的获取
4.2.1 百度地图街景图的获取
4.2.2 实地拍摄街景图获取
4.3 迁移学习
4.4 冻结不同的网络层数对模型精度的影响
4.5 畸变图像与透视图像对模型精度的影响
4.6 训练样本个数对模型精度的影响
4.7 网络输入的图片尺寸对模型精度的影响
4.8 建筑物存在遮挡物对模型精度的影响
4.9 误分样本
4.10 本章小结
第5章 总结与展望
5.1 总结
5.2 展望
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢
华北电力大学;
华北电力大学(保定);